基于深度学习的目标跟踪方法研究现状与展望

目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。     

基于深度学习的目标检测技术的研究综述

深度学习已经成为机器视觉领域应用最为广泛的技术方法,基于深度学习的目标检测技术是当前的一项热门研究课题。文章首先对国内外目标检测技术的最新研究进展进行了梳理,并分析和总结了传统目标检测方法的优缺点;然后详细介绍了几种基于深度学习的目标检测技术及其优缺点;最后讨论了现阶段深度学习存在的问题和未来的发展方向。     

基于深度学习的目标检测研究综述

目标检测是计算机视觉领域内的热点研究课题,在医疗、监控及航空等领域都有广泛应用。先对目标检测技术的背景进行了介绍,然后从基于锚框的两阶段目标检测算法、基于锚框的单阶段目标检测算法、基于Anchor Free的目标检测算法三个阶段分别进行介绍,同时还介绍了主流的数据集以及主要的性能评价指标。最后叙述了当前目标检测领域存在的挑战,展望了目标检测技术在未来的发展方向。     

基于深度学习的通用目标检测研究综述

目标检测是计算机视觉领域中最基础且最重要的任务之一,是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展,目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比,深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时,大规模数据集的出现及显卡计算能力的极大提高也促...     

基于深度强化学习的无人机目标跟踪研究

基于目标跟踪任务,阐述运用深度学习为我方无人机训练跟踪策略,寻找最适于无人机对目标跟踪的深度学习算法,建立了目标跟踪模型,并运用四种算法进行训练,比较了在线训练的指标以及离线执行时的结果,从而在双决斗深度Q学习和近端策略优化中取得了最好的训练效果。     

基于深度学习的无人机航拍目标检测与跟踪方法综述

基于视觉的目标检测与跟踪方法是当前最火热的研究方向之一。近年来,随着无人机技术的快速发展,利用无人机航拍技术进行目标检测与跟踪也成了研究的热点。对于无人机目标检测,首先探讨了无人机航拍目标检测与跟踪任务的复杂性和难点,并着重介绍了以深度学习为基础的目标检测算法;针对无人机目标跟踪技术,深入探讨了以相关滤波为基础和以深度学习为基础的两种判别式目标跟踪算法;最后,总结并展望了在无人机领域目标检测与跟踪技术的应用前景。     

基于深度学习的目标检测研究与应用综述

基于深度学习的目标检测算法相较于传统的目标检测算法,对复杂场景的稳健性更强,是当前研究的热点方向。根据基于深度学习的目标检测算法的流程特点将其分为两阶段目标检测算法和单阶段目标检测算法,着重介绍了部分经典算法所解决的问题及其优缺点,梳理了其在工业界的应用情况,对其存在的问题进行了讨论,对未来可能的发展趋势进行了展望。     

融合深度学习与时空预测的目标跟踪方法

由于运动目标变形、 无规律运动等特性,现有跟踪方法在进行动态目标实时检测与分割时存在着较大困难,自适应跟踪精度较低.针对复杂背景下视频目标稳健跟踪问题,提出了一种融合深度学习和时空预测的鲁棒单目标跟踪方法.在传统基于SiamMask网络的深度学习框架内引入兴趣区域检测方法,提升动态目标的在线检测与分割精度;在跟踪系统中...     

TensorFlow平台下的视频目标跟踪深度学习模型设计北大核心CSCD

训练模型复杂且训练集庞大导致深度学习的发展受到严重阻碍。使用Google最新开源的TensorFlow软件平台搭建了用于视频目标跟踪的深度学习模型。介绍了深度学习的原理和TensorFlow的平台特性,提出了使用TensorFlow软件平台设计的深度学习模型框架结构,并使用VOT2015标准数据集中的数据设计了相应的实验。经实验验证,该模型具有较高的计算效率和识别精度,并可便捷地调整网络结构,快速找到最优化模型,很好地完成视频目标识别跟踪任务。     

基于深度学习的无人机载平台多目标检测和跟踪算法研究

无人机技术和计算机视觉技术相结合,在民用和军用领域都有着广泛的需求,然而当前算法不能很好的适应无人机视角旋转、障碍物遮挡、目标尺度变化等特殊情况.根据实际的难点和挑战,提出了基于深度学习的无人机载平台多目标检测和跟踪算法.主要工作有:在检测方面,通过公开数据集和实际采集的大量数据,训练了基于Darknet53的检测网络...     

基于位置敏感模型的深度跟踪算法研究

视觉目标跟踪旨在寻找与跟踪目标具有相同语义信息的样本,并在视频中精确定位样本的位置.最近,深度分类模型被用来提取跟踪目标的深度嵌入式特征,然而,由于深度分类模型给予相同类别的样本一样的标签,这样容易导致跟踪模糊,甚至失败.为了解决这个问题,本文将样本的空间位置信息加入深度分类模型中,提出位置敏感损失函数.本文所提出的损失函数不仅继承了分类损失函数的特性,并根据样本的空间位置信息对相同标签的样本进行了排序.也就是说,本文的损失函数可以同时实现类间可分和类内排序.相比于分类损失函数,本文的损失函数更适合目标跟踪任务.本文在OTB100^[1]和VOT2016^[2]上进行了测试,结果表明本文算法可以实现较好的跟踪性能.     

多示例深度学习目标跟踪

为解决多示例跟踪算法中外观模型和运动模型不足导致跟踪精度不高的问题,该文提出多示例深度学习目标跟踪算法。针对原始多示例跟踪算法中采用Haar-like特征不能有效表达图像信息的缺点,利用深度去噪自编码器提取示例图像的有效特征,实现图像信息的本质表达,易于分类器正确分类,提高跟踪精度。针对多示例学习跟踪算法中选取弱特征向量不能更换,难以反映目标自身和外界条件变化的缺点,在选择弱分类器过程中,实时替换判别力最弱的特征以适应目标外观的变化。针对原始多示例跟踪算法中运动模型中仅假设帧间物体运动不会超过某个范围,不能有效反映目标的运动状态的缺点,引入粒子滤波算法对目标进行预测,提高跟踪的准确性。在复杂环境下不同图片序列实验结果表明,与多示例跟踪算法及其他跟踪算法相比,该文算法具有更高跟踪精确度和更好的鲁棒性。     

基于工地场景的深度学习目标跟踪算法

针对施工现场环境复杂,难以高效管理的问题.提出了基于工地场景的深度学习目标跟踪算法,辅助施工顺利进行.根据工地现场目标的连续性,构建增强群跟踪器,提升目标成功跟踪的概率.然后从滑动窗口、Stacked Denoising Auto Encoder（SDAE）和Support Vector Machine（SVM）三方面组建深度检测器.在滑动窗口方面：从梯度角度建立模型实现窗口自适应.在SDAE算法方面：构建反向算法微调网络参数.优化SVM算法降低跟踪时目标漂移和跟踪失败的概率,最终实现目标高精度跟踪.通过实验表明本文提出的算法可有效对目标进行跟踪,实现动态管理.     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于多阶段学习的相关滤波目标跟踪

由于跟踪过程中目标外观变化和遮挡因素的影响,采用单一迭代更新滤波器的KCF算法在学习过程中会积累过多的噪声信息导致目标丢失.为解决该问题,本文提出一种基于多阶段学习的相关滤波跟踪算法.通过建立具有互补关系的全局阶段滤波器模型、一致性阶段滤波器模型以及初始阶段滤波器模型并行的对目标进行跟踪.在benchmark数据集的51个视频上的实验表明,本文算法取得的总体精度得分77.6%和总体成功率得分68.9%优于现有的大部分跟踪算法.     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于深度学习的雷达目标检测技术

根据纽曼-皮尔逊准则,恒虚警方法（CFAR）在虚警率10-6、检测概率90%的条件下,可检测目标的信噪比需大于12.8dB。由于可用于参考的环境单元有限且实际环境中杂波分布差异性大,特别是隐身、低慢小等目标的能量强度值很难达到检测门限的要求。本文基于深度学习方法,利用含杂波/噪声/干扰的目标距离多普勒(RD)域图像与相应理想情况下的目标RD图作为网络训练数据集,网络中的生成模型向判决模型提供抑制处理后的RD图,根据判决模型反馈来调整杂波抑制处理参数。这一动态对抗博弈的过程最终优化所得的生成模型将有效学习环境中杂波/噪声/干扰的特性并将其过滤。通过杂波、噪声和干扰环境下的实验证明,本文方法可以在RD域有效抑制杂波,增强目标信息,具备在实际杂波抑制场景下的可行性。